ゼロから作るAIエージェント — RAG・マルチエージェント・MCP

フレームワークを使わず、Pythonとwhile文ひとつでAIエージェントを自作します。入門パートでは、ツール設計、失敗とコスト、記憶、人による承認、評価、Web画面を一つずつ追加し、小さなコーディングエージェントを完成させます。実践パートでは、実際の事業報告書(DART)を使ってRAG・マルチエージェント・MCPサーバーを自ら実装し、その後LangChain・LangGraphと数値で比較します。

58名 が受講中です。

難易度 初級

受講期間 無制限

Python
Python
FastAPI
FastAPI
LLM
LLM
openAI API
openAI API
AI Agent
AI Agent
Python
Python
FastAPI
FastAPI
LLM
LLM
openAI API
openAI API
AI Agent
AI Agent

新しいセクションが始まりました — エージェント検索:文書が数十万件あるとき、引っ張ってきてgrep

こんにちは、ダンテです。

新セクション「実践9・エージェント検索 — 文書が数十万件あるとき、引っ張ってきてgrep」全6回(実践35〜40、約78分)が公開されました。

ベクトル検索を使わず、grepとファイルの読み込みだけで文書を探し回るエージェントが注目されています。このセクションでは、その方法を韓国語版ウィキペディアの約65万件の文書まで規模を拡大し、どこまで通用し、どこで行き詰まるのかを実際に測定します。

  • 実践第35回:grepを使うエージェントがベクトル検索に勝ったという論文を読み、何を比較したのか検証します。

  • 実践第36回:文書が1万、10万、約65万件に増えたとき、検索時間がどう変わるかを測り、見つからない場合・タイムアウト・コマンド失敗を区別するツールを作ります

  • 実践第37回:ファイルパスの代わりに文書番号で動くfindとreadを作り直します

  • 実践38編:検索エンジンが選んだ文書だけを作業フォルダに引っ張ってきて調べるpullツールを作ります

  • 実践第39回:検索のみ・全文検索・引っ張ってきて検索する3つの方式を、同じ条件で計測して採点します

  • 実践編40:いつ何を選ぶかの基準を定め、低コストな方法から試すルーターを組み込みます。

先にお伝えすると、約65万件の文書を丸ごと検索する方法は、正答率を落とさずに済みましたが、遅くなりました(質問1件あたり79~95秒)。検索で候補を絞り込んでから調べると、正答率をほぼそのまま保ちながら、15~20秒に短縮できました。なぜそうなるのか、どこで失敗するのかは、授業で実行ログを確認します。

動画で「エージェント検索の授業」「経路選択の授業」と呼んでいる内容は、実践編全35回の授業ノートの冒頭にまとめてあります。まず読んでから始めてください。

実習コードと資料の入手方法は公開リポジトリにあります。ドキュメント一式は1万件分(約12MB)だけダウンロードすれば、全6回分をすべて受講できます。

https://github.com/dante01yoon/embedding-rag-practice/tree/main/c3

つまずいたところや疑問点があれば、各授業の質問欄に書き込んでいただければお答えします。

ありがとうございます。

コメント